我问答网啊，这个问题问到点子上了。说实话，第一次看到Midjourney画出来的图，我也惊呆了——这真是机器画的？细节、光影、构图……比我这画了十年画的人还强。然后我较上劲了，非得搞明白它怎么做到的。
其实，核心思路特简单：从一团噪声里慢慢‘去噪’。想象一下，你拿一张老电视的雪花屏，盯久了是不是感觉能看出个脸？AI就是把这个过程反着来——它先给你看纯随机噪点，然后一步一步地清除，直到浮现出清晰的画面。
这玩意儿叫扩散模型。它训练的时候，先给一张真实图片，一层层地往上糊噪声，直到完全变成雪花，同时让它学会每一步是怎么糊的。然后推理时，就倒过来：从随机噪声开始，根据你给的文字提示，把噪声一点一点揭掉，露出底下的东西。每一步都挺微妙，得有个很强的网络预测该去掉什么噪点。
不过，等等，文字提示怎么控制画面？这才是神来之笔。模型把文字编码成一串向量，像个摇杆一样，在去噪的时候不断调整方向，让结果偏向你描述的那个样子。比如你说‘一只穿太空服的柴犬在月球上跳舞’，向量就把狗、月球、太空服这些概念搅合到一起，生成一个混合的‘概念方向’，然后去噪过程就沿着那个方向走。
当然，没那么简单。早期模型画人手总是六根指头，眼睛歪斜，因为训练数据里人像各种角度，模型很难学会手部结构的精确约束。后来改进的架构（像潜空间扩散）和更大的数据量才慢慢解决。不得不说，这过程挺像人类学画画——先临摹，再理解结构，最后创作。只不过AI临摹了几十亿张。
从一团乱麻到清晰图像，中间藏着什么？
你可能会想，这去噪听着简单，但怎么保证去掉的是噪声而不是有用信息？核心在于训练时加了条件。模型不是盲目地擦除，而是学习‘在给定当前噪声图和文字提示下，真实图片应该是什么样’，然后估计一个方向。每一步都小心翼翼，只变动一点点。通常要重复50到1000次，所以生成一张图挺费显卡的。
我跑过Stable Diffusion，用家里的游戏显卡，生成一张512×512的图大概20秒——那风扇转得跟起飞似的。还能怎么加速？后来有好多蒸馏版模型，把步骤压到4步甚至1步，画质会下降，但够用。科技真卷啊。
喂，那文字呢？咋判断是不是AI写的？
说完图，聊聊字。其实原理异曲同工。现在的大语言模型也是预测下一个token，有点像去噪的反过程？哈，不是，它更像是在一串语义向量里找最合理的延续。你给个开头，它续写，续得特顺溜，但经常胡说八道——我们叫幻觉。
怎么判断一段东西是AI写的？核心看‘信息熵’。AI生成的文字往往过于平滑，词汇分布很均匀，没有真人那种突然短路、重复口头禅、或者神来一笔的跳脱。有个工具叫GPTZero，专测这个。不过道高一尺魔高一丈，现在也有人用反向提示，让AI模仿人类的不完美……这世界太魔幻了。
话说回来，回到开头的图，现在AI甚至能生成短视频，Sora那类，本质上还是扩散模型玩到了极致——在潜空间里联合去噪时间和空间。未来可能你就是说句话，整部电影出来了。身为内容创作者，我既兴奋又有点害怕。但不管怎样，了解它的原理，至少不会觉得是魔法了。它就是个疯狂的统计学工具，对吧？只不过这工具开始有点像创造力了……细思极恐。